在双曲空间中学习蛋白-配体结合
机器学习
2025-11-25 v2
摘要
蛋白-配体结合预测是虚拟筛选和亲和力排序中至关重要的任务。虽然近期的检索式方法将配体和蛋白口袋嵌入欧几里得空间进行相似性搜索，但欧几里得嵌入的几何结构往往难以捕捉分子相互作用中固有的层次结构和细粒度亲和力变化。在本工作中，我们提出了HypSeek——一个基于双曲空间的表示学习框架，将配体、蛋白口袋和序列嵌入Lorentz模型双曲空间。通过利用双曲空间的指数几何和负曲率，HypSeek实现了具有表达力且对亲和力敏感的嵌入，能够有效建模全局活性以及细微的功能差异——特别是在结构相似的配体之间存在显著亲和力差距的活性崩溃问题中。我们的模型将虚拟筛选和亲和力排序统一为一个框架，引入蛋白引导的三塔架构以增强表示结构。HypSeek在DUD-E上实现了虚拟筛选的早期富集率从42.63提升至51.44（+20.7%），在JACS上的亲和力排序相关系数从0.5774提升至0.7239（+25.4%），展示了双曲几何在两个任务中的优势，凸显了其作为蛋白-配体建模强有力归纳偏置的潜力。
引用
@article{arxiv.2508.15480,
title = {Learning Protein-Ligand Binding in Hyperbolic Space},
author = {Jianhui Wang and Wenyu Zhu and Bowen Gao and Xin Hong and Ya-Qin Zhang and Wei-Ying Ma and Yanyan Lan},
journal= {arXiv preprint arXiv:2508.15480},
year = {2025}
}